MétaCan
Menu
← Retour à la cohorte
Enregistrement W2196292353 · doi:10.1139/cjfas-2015-0290

Net rate of energy intake predicts reach-level steelhead (<i>Oncorhynchus mykiss</i>) densities in diverse basins from a large monitoring program

2015· article· en· W2196292353 sur OpenAlexvenueno aff
C. Eric Wall, Nicolaas Bouwes, Joseph M. Wheaton, W. Carl Saunders, Stephen N. Bennett

Notice bibliographique

RevueCanadian Journal of Fisheries and Aquatic Sciences · 2015
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFish Ecology and Management Studies
Établissements canadiensnon disponible
Organismes subventionnairesBonneville Power AdministrationUtah State University
Mots-clésForagingHabitatEnvironmental scienceBiomass (ecology)Sampling (signal processing)EcologyFisheryMetric (unit)BiologyComputer science

Résumé

récupéré en direct d'OpenAlex

Substantial research effort has been devoted to understanding stream-dwelling salmonids’ use of summer rearing and growth habitat, with a subset of studies focusing on foraging position selection and the energetic trade-offs of differential habitat use. To date, however, cost–benefit analyses for most foraging model studies have focused on small sampling areas such as individual habitat units. To address this knowledge gap, we applied a mechanistic foraging model to 22 stream reaches (100–400 m) from two watersheds within the Columbia River Basin. We found a strong, positive correlation (R2 = 0.61, p < 0.001) between predicted carrying capacities and observed fish densities. Predicted proportion of suitable habitat was weakly correlated with observed fish density (R2 = 0.18, p = 0.051), but the mean net rate of energy intake prediction in sampling reaches was not a significant predictor of observed fish biomass. Our results suggest spatial configuration of habitat, in addition to quantity and quality, is an important determinant of habitat use. Further, carrying capacity predicted by the model shows promise as a habitat metric. We also evaluated the feasibility of applying this data-intensive modeling approach in a large-scale monitoring program to examine habitat quality and quantity. Though the approach can be computationally expensive, we feel the model’s ability to integrate physical habitat metrics (e.g., depth, velocity) with important biological considerations like food availability and temperature is a benefit that far outweighs associated costs. We feel this modeling approach has great potential as a tool to help understand habitat use in drift-feeding fishes.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,084
Score d'incertitude au seuil0,168

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,039
Tête enseignante GPT0,232
Écart entre enseignants0,192 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations36
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Fisheries and Aquatic Sciences→Même sujetFish Ecology and Management Studies→Travaux en français237 207→